常见反爬策略及应对方案

1. 构造合理的HTTP请求头。

   • Accept

   • User-Agent - 三方库fake-useragent

     from fake_useragent import UserAgent
     ua = UserAgent()
     
     ua.ie
     # Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US);
     ua.msie
     # Mozilla/5.0 (compatible; MSIE 10.0; Macintosh; Intel Mac OS X 10_7_3; Trident/6.0)'
     ua['Internet Explorer']
     # Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0; GTB7.4; InfoPath.2; SV1; .NET CLR 3.3.69573; WOW64; en-US)
     ua.opera
     # Opera/9.80 (X11; Linux i686; U; ru) Presto/2.8.131 Version/11.11
     ua.chrome
     # Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.2 (KHTML, like Gecko) Chrome/22.0.1216.0 Safari/537.2'
     ua.google
     # Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_4) AppleWebKit/537.13 (KHTML, like Gecko) Chrome/24.0.1290.1 Safari/537.13
     ua['google chrome']
     # Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11
     ua.firefox
     # Mozilla/5.0 (Windows NT 6.2; Win64; x64; rv:16.0.1) Gecko/20121011 Firefox/16.0.1
     ua.ff
     # Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:15.0) Gecko/20100101 Firefox/15.0.1
     ua.safari
     # Mozilla/5.0 (iPad; CPU OS 6_0 like Mac OS X) AppleWebKit/536.26 (KHTML, like Gecko) Version/6.0 Mobile/10A5355d Safari/8536.25
     
     # and the best one, random via real world browser usage statistic
     ua.random

   • Referer

   • Accept-Encoding

   • Accept-Language

2. 检查网站生成的Cookie。

   • 有用的插件：EditThisCookie
   • 如何处理脚本动态生成的Cookie

3. 抓取动态内容。

   • Selenium + WebDriver
   • Chrome / Firefox - Driver

4. 限制爬取的速度。

5. 处理表单中的隐藏域。

   • 在读取到隐藏域之前不要提交表单
   • 用RoboBrowser这样的工具辅助提交表单

6. 处理表单中的验证码。

   • OCR（Tesseract） - 商业项目一般不考虑

   • 专业识别平台 - 超级鹰 / 云打码

     from hashlib import md5
     
     class ChaoClient(object):
     
         def __init__(self, username, password, soft_id):
             self.username = username
             password =  password.encode('utf-8')
             self.password = md5(password).hexdigest()
             self.soft_id = soft_id
             self.base_params = {
                 'user': self.username,
                 'pass2': self.password,
                 'softid': self.soft_id,
             }
             self.headers = {
                 'Connection': 'Keep-Alive',
                 'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
             }
     
         def post_pic(self, im, codetype):
             params = {
                 'codetype': codetype,
             }
             params.update(self.base_params)
             files = {'userfile': ('captcha.jpg', im)}
             r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files, headers=self.headers)
             return r.json()
     
     
     if __name__ == '__main__':
         client = ChaoClient('用户名', '密码', '软件ID')
         with open('captcha.jpg', 'rb') as file:                                                
             print(client.post_pic(file, 1902))                                          

7. 绕开“陷阱”。

   • 网页上有诱使爬虫爬取的爬取的隐藏链接（陷阱或蜜罐）
   • 通过Selenium+WebDriver+Chrome判断链接是否可见或在可视区域

8. 隐藏身份。

   • 代理服务 - 快代理 / 讯代理 / 芝麻代理 / 蘑菇代理 / 云代理

     《爬虫代理哪家强？十大付费代理详细对比评测出炉！》

   • 洋葱路由 - 国内需要翻墙才能使用

     yum -y install tor
     useradd admin -d /home/admin
     passwd admin
     chown -R admin:admin /home/admin
     chown -R admin:admin /var/run/tor
     tor